Boya Formülasyonunda Yapay Zeka (AI) ve Makine Öğrenmesi (ML) Yaklaşımının Endüstriyel Hammaddeler Açısından Değerlendirilmesi

Mehmet Bulut 

Genel Müdür

EM Mineraller

 

Global ölçekte yaklaşık 230 milyar dolara ulaşmış olan boya ve kaplama sektörü Ar-Ge açısından, günümüzde çeşitli zorluklarla karşı karşıyadır. Bu sorunları üç temel başlıkta özetlersek bunlar; çevre ve sürdürülebilirlik konusundaki düzenlemeler/regülasyonlar, yüksek performans beklentileri ve hammadde maliyetlerindeki artışlar diyebiliriz. 

 

Bu makaledeki amacımız, boya sektöründeki formülasyon sürecinde AI/ML uygulamalarına kısaca değinmek, bu uygulamaların bahsettiğimiz sorunlara yaklaşımı ve bu yaklaşımın uzmanlık konumuzu oluşturan endüstriyel hammaddelere olası etkilerini değerlendirebilmektir. 

 

Geleneksel boya formülasyon süreçleri; onlarca reçine, pigment, dolgu ve katkı maddesinin neredeyse sınırsız kombinasyonunu içeren, “ampirik/deneysel” ya da “yarı deneysel” süreçlerden oluşmakta, deneme-yanılma yöntemi yoğunlukla kullanılmakta, zaman kaybettiren manuel testlere dayalı "Tek Değişkenli Deney Tasarımı" (OVAT) yöntemiyle yürütülmektedir. 

 

Bu yöntemde diğer değişkenler sabit iken, sadece tek bir değişken değiştirilir. Verilere dayanan kararlar yerine, bazen zaman kazanabilmek adına “sezgisel” kararlar ile süreç tetiklenmeye çalışılır. Bu süreçlerin yeni bir ürün, formülasyon ya da hammadde önerisi ortaya çıkarması zaman alabilmektedir. 

Pazardan gelen yeni talepleri (örneğin yüksek performanslı fonksiyonel boyalar) ve kritik çevresel uyum parametrelerini (KKİD mevzuatı, VOC emisyonları, SKDM vs) de eklediğimizde boya formülasyon sürecinin parametreleri artmakta ve basit deterministik modeller artık yetersiz kalmaktadır. (1)

 

AI/ML’in boya sektöründeki Ar-Ge süreçlerine entegrasyonu, ampirik deneme-yanılma formülasyonu yaklaşımından, öngörülebilir (predictive) veri tabanlı modellemeye geçişi vurgular. 

Bu yaklaşımda, geçmiş laboratuvar verileri, hammadde spesifikasyonları (TDS) ve test sonuçları yapay zeka algoritmalarına (örneğin Yapay Sinir Ağları veya Rastgele Orman modelleri) beslenir. Model, hammaddelerin kimyasal ve fiziksel özellikleri ile boyanın nihai performansı (viskozite, parlaklık, korozyon direnci vb.) arasındaki gizli korelasyonları öğrenir. Böylece milyarlarca kombinasyon arasından hedeflenen performansı, maliyeti ve regülasyon şartlarını sağlayan "optimum" formülasyon reçetesi, laboratuvarda tek bir numune bile üretilmeden bilgisayar ortamında (in-silico) saniyeler içinde öngörülebilir. (2)

 

 

 

Yapay zeka modellerinin başarısı, sisteme beslenen hammadde verilerinin kalitesine ve derinliğine doğrudan bağlıdır. Bu durum, endüstriyel hammadde dünyasında kartların yeniden dağıtılmasına yol açmaktadır: 

 

• Alternatif Hammadde İkamesi ve Tedarik Zinciri Esnekliği: Küresel krizler veya ani fiyat dalgalanmalarında, bir hammaddenin (örn. spesifik bir titanyum dioksit veya akrilik emülsiyon) muadilini bulmak geleneksel yöntemlerle haftalar süren testler gerektirir. AI/ML modelleri ise, alternatif hammaddelerin teknik parametrelerini (tane boyutu dağılımı, yağ emme, fonksiyonel gruplar vb.) analiz ederek, formülasyon dengesini bozmayacak en uygun ikameyi ve kullanım oranını anında hesaplar.

 

• Sürdürülebilirlik ve Yeşil Hammadde Entegrasyonu: Sınırda Karbon Düzenleme Mekanizması (SKDM) ve VOC limitleri, Ar-Ge ekiplerini biyobazlı reçinelere ve fonksiyonel doğal dolgulara (kalsit, talk, barit vb.) yönlendirmektedir. AI, bu yeni nesil sürdürülebilir hammaddelerin sistem içi etkileşimlerini önceden tahmin ederek, "yeşil dönüşüm" süreçlerini radikal şekilde hızlandırır.

 

• Maliyet ve Performans Optimizasyonu: AI, dolguların Kimyasal Yapı-Aktivite İlişkilerini (QSAR) ve fiziksel özelliklerini (PSD - Tane Boyutu Dağılımı) işleyerek, minimum maliyetlmaksimum Pigment Hacim Konsantrasyonu (PVC) dengesini kurar.

 

Yapay zekanın endüstriyel mineraller dünyasındaki küresel yansımaları incelendiğinde, bu teknolojinin hammadde geliştirme ve uygulama mühendisliği süreçlerinde yarattığı katma değer net olarak görülmektedir. Bunları özetlersek: 

 

• Ar-Ge Sürelerinde %80'in Üzerinde Hızlanma: Geleneksel yöntemlerle ortalama 6 ay süren boya formülasyonu optimizasyonu ve yeni hammadde geliştirme döngüleri, yapay zeka tahminleme modelleri sayesinde 1 ay gibi kısa bir süreye indirilebilmektedir.

 

• Lojistik ve Coğrafi Esneklik: AI/ML modelleri, ürünlerin kalite ve performans tutarlılığını koruyarak, formülasyonları farklı coğrafyalardaki yerel hammadde ve minerallere göre saniyeler içinde adapte edebilmektedir. Bu durum, tedarik zinciri krizlerinde üreticilere küresel ölçekte esneklik kazandırmaktadır.

 

• Kurumsal Hafıza ve Bilgi Transferi: Emekliliği yaklaşan deneyimli kişiler uzmanlığı ve tarihsel laboratuvar deneyimleri, AI platformları üzerinde kalıcı veriye dönüştürülmekte; böylece yeni nesil mühendislere kusursuz ve kayıpsız bir bilgi transferi sağlanmaktadır. (3)

 

Boya formülasyonunda AI/ML yaklaşımı, sadece boya üreticilerinin Ar-Ge laboratuvarlarını hızlandıran bir araç değil; endüstriyel hammadde ekosistemini daha şeffaf, ölçülebilir ve performans odaklı olmaya zorlayan yıkıcı bir inovasyondur. Geleneksel "ilişki odaklı" satış ve hammadde tedarik stratejileri yerini yavaş yavaş "veri odaklı" süreçlere bırakmaktadır.

Sektörün geleceğinde hammadde tedarikçilerinin başarısı, hammaddeye ait teknik verileri (girdi parametreleri) ve laboratuvar test çıktılarını yapay zekanın anlayacağı şekilde ne kadar temiz, hatasız ve optimize hazırlayabildiklerine (Veri Hazırlığı - Data Readiness) bağlı olacaktır. Geleneksel deneme-yanılma metodolojisinin sonuna geldiğimiz bu dönemde, AI/ML adaptasyonu boya kaplama sanayisini daha sürdürülebilir, esnek ve verimli bir geleceğe taşıyacaktır.

 

(1) Kim, M. O. (2026). AI-Driven Polymeric Coatings: Strategies for Material Selection and Performance Evaluation in Structural Applications. Polymers, 18(1), 

(2) Verma, J.; Khanna, A.S. Digital Advancements in Smart Materials Design and Multifunctional Coating Manufacturing. Phys.Open (2023), 14, 100133.

(3) https://citrine.io/leveraging-ai-and-machine-learning-in-coatings-adhesives-and-sealants/